基于動態(tài)閾值的網絡流量異常檢測方法研究與實現(xiàn).pdf

1、隨著網絡技術的發(fā)展和網絡規(guī)模日益擴大,網絡拓撲結構和網絡設備日趨復雜,承載的業(yè)務種類也逐漸增多,這些都使網絡中出現(xiàn)故障或遭受攻擊的可能性大大增加,網絡檢測面臨更大的挑戰(zhàn)。網絡檢測的目的是通過對網絡運行情況的連續(xù)檢測,及時發(fā)現(xiàn)網絡中的異常,當網絡中出現(xiàn)異常時能夠及時發(fā)出報警通知,以提醒網管人員采取必要措施,減弱異常帶來的損害。網絡異常檢測是網絡監(jiān)測中的關鍵部分,能否正確、及時地檢測出網絡異常對于提高網絡的可用性和可靠性具有重要的意義。

2、r>　　 本文研究了網絡流量異常檢測的方法,針對網絡異常閾值、流量模型的建立中存在的問題以及如何根據所采集網絡數據進行檢測進行了分析并提出了解決方法。
　　 本文首先研究了基于閾值的異常檢測算法,對靜態(tài)閾值存在的問題進行了分析,并提出一種以多點檢測異常統(tǒng)計量為基礎的自適應閾值算法。該算法不僅考慮了當前檢測點對正常歷史流量的偏離狀況,也考慮了網絡的動態(tài)變化給異常檢測帶來的影響,由于當異常發(fā)生時會在多個檢測點檢測到異常,因此通過多

3、點異常統(tǒng)計量來作為判定是否報警的決策量,并且動態(tài)調整單點檢測的異常判定閾值,能夠較好的定義并量化流量異常,為后面的異常檢測算法研究打下了良好的基礎。
　　 網絡正常流量模型的建立對異常檢測算法的檢測效率有著重要影響,常用的預測模型為回歸模型。針對回歸預測模型應用于網絡流量中的缺點,創(chuàng)新性地將指數平滑模型和小波變換結合起來,通過小波變換削弱時間序列中隨機變化的部分,為流量模型的建立創(chuàng)造了良好的條件。自適應三次指數平滑模型無需大量歷

4、史數據即可擬合模型參數,并可隨時間動態(tài)調整自身參數,能夠較好的適應網絡流量的多變性特征,使異常檢測達到較好的效果。
　　 網絡流量的采集即通過哪些特征量來表示網絡流量,對于網絡異常檢測空間、時間開銷以及檢測結果的精確性都起著決定性的作用。為了實現(xiàn)可溯源的異常檢測,本文提出了一種基于概要數據結構的異常檢測算法,對異常流量與正常流量的分布狀況的差異提出一種基于KL距離的衡量方法,算法由于通過逐點計算距離,并通過這些距離來判斷異常,使